通过隐空间非刚性配准将抓取技能迁移至新实例
机器人学
2018-09-17 v1
摘要
在开放环境中作业的机器人需要能够处理新颖物体。基于同一类别内物体在形状与用途上往往相似的观察，我们提出了一种将抓取技能从已知实例迁移到某物体类别中新实例的方法。实例间的对应关系通过一种非刚性配准方法建立，该方法将相干点漂移（Coherent Point Drift）方法与子空间方法相结合。已知物体实例通过规范形状以及一个将其形变以匹配实例形状的变换来建模。这些形变的变异主轴定义了一个低维隐空间。新实例可通过在该形状空间中进行插值和外推来生成。为推断未知实例的形状参数，最小化了一个以隐变量表示的能量函数。由于具备物体的类别级知识，我们的方法能够从部分视角补全新颖形状。用于生成抓取运动的控制位姿通过估计的非刚性变换高效地迁移至新实例。
引用
@article{arxiv.1809.05353,
title = {Transferring Grasping Skills to Novel Instances by Latent Space Non-Rigid Registration},
author = {Diego Rodriguez and Corbin Cogswell and Seongyong Koo and Sven Behnke},
journal= {arXiv preprint arXiv:1809.05353},
year = {2018}
}
备注
In Proceedings of IEEE International Conference on Robotics and Automation (ICRA), Brisbane, Australia, May 2018